Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "RBF Network" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-15 z 15
    Tytuł:
    Applying LCS to affective image classification in spatial - frequency domain
    Autorzy:
    Lee, P. -M.
    Hsiao, T.-C.
    Powiązania:
    https://bibliotekanauki.pl/articles/91808.pdf
    Data publikacji:
    2014
    Wydawca:
    Społeczna Akademia Nauk w Łodzi. Polskie Towarzystwo Sieci Neuronowych
    Tematy:
    image classification
    pattern recognition
    Hilbert-Huang transform
    HHT
    empirical mode decomposition
    EMD
    Hilbert transform
    HT
    Extended Classifier Systems
    XCSs
    Area Under Curve
    AUC
    Radial-Basis Function Network
    RBF Network
    LCS
    Opis:
    Recent studies have utilizes color, texture, and composition information of images to achieve affective image classification. However, the features related to spatial-frequency domain that were proven to be useful for traditional pattern recognition have not been tested in this field yet. Furthermore, the experiments conducted by previous studies are not internationally-comparable due to the experimental paradigm adopted. In addition, contributed by recent advances in methodology, that are, Hilbert-Huang Transform (HHT) (i.e. Empirical Mode Decomposition (EMD) and Hilbert Transform (HT)), the resolution of frequency analysis has been improved. Hence, the goal of this research is to achieve the affective image-classification task by adopting a standard experimental paradigm introduces by psychologists in order to produce international-comparable and reproducible results; and also to explore the affective hidden patterns of images in the spatial-frequency domain. To accomplish these goals, multiple human-subject experiments were conducted in laboratory. Extended Classifier Systems (XCSs) was used for model building because the XCS has been applied to a wide range of classification tasks and proved to be competitive in pattern recognition. To exploit the information in the spatial-frequency domain, the traditional EMD has been extended to a two-dimensional version. To summarize, the model built by using the XCS achieves Area Under Curve (AUC) = 0.91 and accuracy rate over 86%. The result of the XCS was compared with other traditional machine-learning algorithms (e.g., Radial-Basis Function Network (RBF Network)) that are normally used for classification tasks. Contributed by proper selection of features for model building, user-independent findings were obtained. For example, it is found that the horizontal visual stimulations contribute more to the emotion elicitation than the vertical visual stimulation. The effect of hue, saturation, and brightness; is also presented.
    Źródło:
    Journal of Artificial Intelligence and Soft Computing Research; 2014, 4, 2; 99-123
    2083-2567
    2449-6499
    Pojawia się w:
    Journal of Artificial Intelligence and Soft Computing Research
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Comparative Application of Radial Basis Function and Multilayer Perceptron Neural Networks to Predict Traffic Noise Pollution in Tehran Roads
    Autorzy:
    Mansourkhaki, A.
    Berangi, M.
    Haghiri, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/124655.pdf
    Data publikacji:
    2018
    Wydawca:
    Polskie Towarzystwo Inżynierii Ekologicznej
    Tematy:
    MLP
    RBF
    neural network
    noise prediction
    road traffic noise
    Opis:
    Noise pollution is a level of environmental noise which is considered as a disturbing and annoying phenomenon for human and wildlife. It is one of the environmental problems which has not been considered as harmful as the air and water pollution. Compared with other pollutants, the attempts to control noise pollution have largely been unsuccessful due to the inadequate knowledge of its effects on humans, as well as the lack of clear standards in previous years. However, with an increase of traveling vehicles, the adverse impact of increasing noise pollution on human health is progressively emerging. Hence, investigators all around the world are seeking to find new approaches for predicting, estimating and controlling this problem and various models have been proposed. Recently, developing learning algorithms such as neural network has led to novel solutions for this challenge. These algorithms provide intelligent performance based on the situations and input data, enabling to obtain the best result for predicting noise level. In this study, two types of neural networks – multilayer perceptron and radial basis function – were developed for predicting equivalent continuous sound level (LAeq) by measuring the traffic volume, average speed and percentage of heavy vehicles in some roads in west and northwest of Tehran. Then, their prediction results were compared based on the coefficient of determination (R2) and the Mean Squared Error (MSE). Although both networks are of high accuracy in prediction of noise level, multilayer perceptron neural network based on selected criteria had a better performance.
    Źródło:
    Journal of Ecological Engineering; 2018, 19, 1; 113-121
    2299-8993
    Pojawia się w:
    Journal of Ecological Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Friction modeling of Al-Mg alloy sheets based on multiple regression analysis and neural networks
    Autorzy:
    Lemu, H. G.
    Trzepieciński, T.
    Kubit, A.
    Fejkiel, R.
    Powiązania:
    https://bibliotekanauki.pl/articles/102791.pdf
    Data publikacji:
    2017
    Wydawca:
    Stowarzyszenie Inżynierów i Techników Mechaników Polskich
    Tematy:
    friction coefficient
    friction
    GRNN
    neural networks
    RBF network
    sheet metal forming
    Opis:
    This article reports a proposed approach to a frictional resistance description in sheet metal forming processes that enables determination of the friction coefficient value under a wide range of friction conditions without performing time-consuming experiments. The motivation for this proposal is the fact that there exists a considerable amount of factors affect the friction coefficient value and as a result building analytical friction model for specified process conditions is practically impossible. In this proposed approach, a mathematical model of friction behaviour is created using multiple regression analysis and artificial neural networks. The regression analysis was performed using a subroutine in MATLAB programming code and STATISTICA Neural Networks was utilized to build an artificial neural networks model. The effect of different training strategies on the quality of neural networks was studied. As input variables for regression model and training of radial basis function networks, generalized regression neural networks and multilayer networks the results of strip drawing friction test were utilized. Four kinds of Al-Mg alloy sheets were used as a test material.
    Źródło:
    Advances in Science and Technology. Research Journal; 2017, 11, 1; 48-57
    2299-8624
    Pojawia się w:
    Advances in Science and Technology. Research Journal
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Neural Network based control of Robot Manipulator
    Autorzy:
    Ohri, Arnav
    Salim, Salim
    Powiązania:
    https://bibliotekanauki.pl/articles/1075537.pdf
    Data publikacji:
    2019
    Wydawca:
    Przedsiębiorstwo Wydawnictw Naukowych Darwin / Scientific Publishing House DARWIN
    Tematy:
    RBF Neural Network
    Robotic Manipulator
    Sliding Mode Control
    Opis:
    This article proposes an RBFNN (Radial Basis Function Neural Network) and sliding mode based controller to manipulate the robot manipulator. The technique used has been based on a sliding mode control approach that can drive the system towards a sliding surface by Gaussian radial basis function neural network based tuned-controller.
    Źródło:
    World Scientific News; 2019, 121; 9-16
    2392-2192
    Pojawia się w:
    World Scientific News
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Neural Network Model for Control of Operating Modes of Crushing and Grinding Complex
    Autorzy:
    Kalinchyk, Vasyl
    Meita, Olexandr
    Pobigaylo, Vitalii
    Borychenko, Olena
    Kalinchyk, Vitalii
    Powiązania:
    https://bibliotekanauki.pl/articles/2174915.pdf
    Data publikacji:
    2022
    Wydawca:
    Politechnika Koszalińska. Wydawnictwo Uczelniane
    Tematy:
    classification
    modelling
    neural network
    radial basis function network
    RBF
    multilayer perceptron
    MLP
    Opis:
    This article investigates the application of neural network models to create automated control systems for industrial processes. We reviewed and analysed works on dispatch control and evaluation of equipment operating modes and the use of artificial neural networks to solve problems of this type. It is shown that the main requirements for identification models are the accuracy of estimation and ease of algorithm implementation. It is shown that artificial neural networks meet the requirements for accuracy of classification problems, ease of execution and speed. We considered the structures of neural networks that can be used to recognise the modes of operation of technological equipment. Application of the model and structure of networks with radial basis functions and multilayer perceptrons for identifying the mode of operation of equipment under given conditions is substantiated. The input conditions for constructing neural network models of two types with a given three-layer structure are offered. The results of training neural models on the model of a multilayer perceptron and a network with radial basis functions are presented. The estimation and comparative analysis of models depending on model parameters are made. It is shown that networks with radial basis functions offer greater accuracy in solving identification problems. The structural scheme of the automated process control system with mode identification based on artificial neural networks is offered.
    Źródło:
    Rocznik Ochrona Środowiska; 2022, 24; 26--40
    1506-218X
    Pojawia się w:
    Rocznik Ochrona Środowiska
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Neural networks for function approximation in dynamic modelling
    Autorzy:
    Nedbálek, J.
    Powiązania:
    https://bibliotekanauki.pl/articles/2069707.pdf
    Data publikacji:
    2008
    Wydawca:
    Uniwersytet Morski w Gdyni. Polskie Towarzystwo Bezpieczeństwa i Niezawodności
    Tematy:
    reliability
    Monte Carlo
    RBF neural network
    simulation
    temperature
    Opis:
    The paper demonstrates the comparsion of Monte Carlo simulation (MC) algorithm with the Radial Basis Function (RBF) neural network enhancement of the same algorithm in the reliability case study. In our test, we dispose of the tank containing liquid water – its temperature process variable evolves deterministicly according to the differential equation, which solution is known. All component failures are considered as a stochastic events. In the case of surpassing temperature treshhold of the liquid inside the tank, we interpret the situation as the system failure. With regard to process dynamics, we attempt to evaluate the tank system unreliability related to the initiative input parameters setting. The neural network is used in equation coeficients calculation, which is executed in each transient state. Due to the neural networks, for some of the initial component settings, we can achieve the results of computation faster than in classical way of coeficients calculating and substituting into the equation.
    Źródło:
    Journal of Polish Safety and Reliability Association; 2008, 2; 255--259
    2084-5316
    Pojawia się w:
    Journal of Polish Safety and Reliability Association
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Neuro-adaptive cooperative control for high-order nonlinear multi-agent systems with uncertainties
    Autorzy:
    Peng, Cheng
    Zhang, Anguo
    Li, Junyu
    Powiązania:
    https://bibliotekanauki.pl/articles/2055174.pdf
    Data publikacji:
    2021
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    multiagent system
    radial basis function
    RBF neural network
    sliding mode control
    cooperative control
    system wieloagentowy
    radialna funkcja bazowa
    sieć neuronowa RBF
    sterowanie ślizgowe
    Opis:
    The consensus problem for a class of high-order nonlinear multi-agent systems (MASs) with external disturbance and system uncertainty is studied. We design an online-update radial basis function (RBF) neural network based distributed adaptive control protocol, where the sliding model control method is also applied to eliminate the influence of the external disturbance and system uncertainty. System consensus is verified by using the Lyapunov stability theorem, and sufficient conditions for cooperative uniform ultimately boundedness (CUUB) are also derived. Two simulation examples demonstrate the effectiveness of the proposed method for both homogeneous and heterogeneous MASs.
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2021, 31, 4; 635--645
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    New type of neural networks for rendering graph points
    Autorzy:
    Nedbalek, J.
    Powiązania:
    https://bibliotekanauki.pl/articles/2069633.pdf
    Data publikacji:
    2010
    Wydawca:
    Uniwersytet Morski w Gdyni. Polskie Towarzystwo Bezpieczeństwa i Niezawodności
    Tematy:
    description
    gantt
    graph
    RBF 2
    neural network
    Opis:
    The paper demonstrates new approach of rendering the graph point series called gantts. The gantts are placed in the two dimensional graph which contains the information about available production sources in the Real manufacturing process. The gantt is defined as one dimensional coloured dash which has unique position. To have the interaction with a user, gantts are accompanied with the description text giving detailed information about each gantt. All gantt descriptions must be displayed without overlapping with each other. To optimize this task, the modified version of the RBF neural network with biases is applied. With respect to the similarity to the RBF structure, the new type of neural network is named RBF 2. We also give the picture of positive and negative attributes of the solution based on the neural network architecture.
    Źródło:
    Journal of Polish Safety and Reliability Association; 2010, 1, 1; 181--186
    2084-5316
    Pojawia się w:
    Journal of Polish Safety and Reliability Association
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Porównanie przydatności sieci neuronowych typu GRNN i RBF do prognozowania poprawek dla krajowej skali czasu UTC(PL)
    Comparison of the usefulness of GRNN and RBF neural networks for predicting the corrections for the national time scale UTC(PL)
    Autorzy:
    Sobolewski, Ł.
    Powiązania:
    https://bibliotekanauki.pl/articles/154158.pdf
    Data publikacji:
    2014
    Wydawca:
    Stowarzyszenie Inżynierów i Techników Mechaników Polskich
    Tematy:
    sieci neuronowe GRNN
    sieci neuronowe RBF
    polska skala czasu UTC(PL)
    zegar atomowy
    GRNN neural network
    RBF neural network
    national timescale UTC(PL)
    atomic clock
    Opis:
    W pracy przedstawiono wyniki badań sieci neuronowych typu GRNN zastosowanych do prognozowania poprawek dla krajowej skali czasu UTC(PL). Wyniki te porównano z wynikami otrzymanymi przy użyciu sieci neuronowej typu RBF, a także z wynikami otrzymanymi w GUM z zastosowaniem metody regresji liniowej. Prognozowanie poprawek prowadzono w oparciu o metodę regresji dla danych wejściowych powstałych na bazie dwóch szeregów czasowych sc1 (bez eliminacji trendu opisanego równaniem regresji liniowej) oraz sc2 (z eliminacją tego trendu). Prognozy zostały wykonane na 15 dzień dla 5 kolejnych miesięcy 2008 począwszy od stycznia (MJD 54479) do maja (MJD 54599) Z przeprowadzonych badań wynika, że otrzymane wartości błędu prognozy dla sieci neuronowej typu GRNN są zdecydowanie gorsze od błędów prognozy otrzymanych przy użyciu sieci neuronowej typu RBF.
    The paper discusses the results of comparison of the usefulness of GRNN and RBF neural networks for predicting the corrections for the national time scale UTC(PL). The first chapter describes the national time scale UTC(PL), and also presents the problem of maintaining the best compatibility of the UTC(PL) with UTC. The second chapter describes the basic idea and principle of operation of the GRNN neural networks. The third chapter shows how the input data for the neural networks was prepared. Based on historical measurement data from the cesium atomic clock Cs2 and corrections of the UTC(PL) relative to UTC two time series (ts1 and ts2) were prepared, which were the basis for determining the input data for the neural networks. The fourth chapter describes the research results. The obtained research results shown that in the case of predicting the corrections for the polish time scale UTC(PL) using GRNN and RBF neural networks and the input data based on time series ts1 prediction errors have reached very large values. Predicting the corrections for the UTC(PL) based on time series ts2 was carried out in two ways. The first method assumed using the input data prepared on the basis of time series ts2 with values of two coefficients a0 and a1, which are the coefficients of linear regression equation. In the second case only coefficient a1 was used with the input data prepared on the basis of time series ts2. The best results was obtained using RBF neural network for the input data prepared on the basis of time series ts2 with a1 coefficient. For the GRNN neural network the obtained value of maximum prediction error for both method of data preparation was larger than in the case of using RBF neural network. Obtained values of prediction errors using GRNN neural network are on the same level with prediction errors obtained in the GUM using linear analytical regression method.
    Źródło:
    Pomiary Automatyka Kontrola; 2014, R. 60, nr 11, 11; 972-974
    0032-4140
    Pojawia się w:
    Pomiary Automatyka Kontrola
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Prediction of industrial pollution by radial basis function networks
    Autorzy:
    Djebbri, N.
    Rouainia, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/207579.pdf
    Data publikacji:
    2018
    Wydawca:
    Politechnika Wrocławska. Oficyna Wydawnicza Politechniki Wrocławskiej
    Tematy:
    forecasting
    RBF
    artificial neural network
    pollution
    prognozowanie
    sztuczna sieć neuronowa
    zanieczyszczenie
    Opis:
    Atmospheric pollution has been receiving a significant interest for several decades since industries cause more and more pollution. Thanks to the development of many prediction techniques, scientists and industries are focusing more on pollution prediction. The aim of this work is to predict the two pollutant concentrations (NOx and CO) in industrial sites by a modified radial basis function (RBF) based neural network. The modification considered the spread parameter h of the activation function in the RBF network. In order to get the best network, the variations of this parameter for three cases were considered. In the first case, only pollutants concentrations variables were used, while in the second one, only the meteorological variables were utilized. In the third case, pollutants' concentrations were connected with meteorological variables. Based on calculation errors, the best model that ensures the best monitoring of pollutants concentration could be identified.
    Źródło:
    Environment Protection Engineering; 2018, 44, 3; 153-164
    0324-8828
    Pojawia się w:
    Environment Protection Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Prognozowanie uszkodzeń przekładni mostu napędowego z wykorzystaniem wstępnego przetwarzania sygnału drgań w połączeniu z sieciami neuronowymi typu RBF
    Rear axle gear damage prediction using vibration signal preprocessing coupled with RBF neural networks
    Autorzy:
    Shao, Y.
    Li, X.
    Mechefske, Ch. K.
    Chen, Z.
    Powiązania:
    https://bibliotekanauki.pl/articles/301429.pdf
    Data publikacji:
    2009
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    uszkodzenie
    predykcja
    sygnały drganiowe
    sieć neuronowa typu RBF
    damage
    prediction
    vibration signals
    RBF neural network
    Opis:
    Przekładnia mostu pędnego stanowi kluczową część samochodowego układu przeniesienia napędu, a trafne przewidywanie uszkodzeń jest istotne dla bezpiecznego użytkowania samochodu. Jednakże precyzja przewidywania uszkodzenia przekładni jest obecnie niska ze względu na zmienne prędkości obrotowe i zmieniające się obciążenia występujące podczas używania pojazdu. W celu zredukowania zmienności drgań i zwiększenia trafności przewidywania trwałości resztkowej przekładni, w artykule zaproponowano nową metodę predykcyjną, która łączy sieć neuronową o radialnych funkcjach bazowych (RBF) i rekurencyjne przetwarzanie wstępne. Metoda rekurencyjnego przetwarzania wstępnego zmniejsza wpływ zmienności chwilowego obciążenia i prędkości na charakterystyczne parametry uzyskane z sygnałów drganiowych. Sieć neuronowa typu RBF modeluje nieliniowe charakterystyki przenoszenia napędu przez przekładnię mostu pędnego. Sieć taka charakteryzuje się zachowaniem samoadaptacyjnym i szybką zbieżnością. Wyniki badań symulacyjnych i eksperymentalnych pokazują, że ta nowa metoda może pozwolić na udoskonalenie tradycyjnych metod predykcyjnych oraz osiąganie wysokiej precyzji w przewidywaniu uszkodzeń przekładni mostu pędnego.
    The rear axle gear is a key part of the automobile transmission system and accurate damage prediction is important for car safety. However, the precision of gear damage prediction is currently low because of the varying rotating speeds and the changing loads when a truck is in use. In order to reduce the fluctuation of vibrations and enhance the predicting accuracy of gear residual life, a new predictive method, which combines the Radial Basis Function (RBF) neural network with recursive preprocessing is proposed in this paper. The recursive preprocessing method reduces the effects of instantaneous load and speed fluctuations on the characteristic parameters extracted from vibration signals. The RBF neural network models the non-linear characteristics of the rear axle gear transmission. The RBF neural network is characterized by its self-adaptive behavior and its rapid convergence. The simulated and experimental results have shown that this new method can enhance traditional prediction methods and obtain high precision for the damage prediction of rear axle gears.
    Źródło:
    Eksploatacja i Niezawodność; 2009, 4; 57-64
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Rotor fault detector of the converter-fed induction motor based on RBF neural network
    Autorzy:
    Kowalski, C. T.
    Kaminski, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/200439.pdf
    Data publikacji:
    2014
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    induction motor
    rotor fault
    diagnostic symptom
    RBF neural network
    fault detector
    Opis:
    This paper deals with the application of the Radial Basis Function (RBF) networks for the induction motor fault detection. The rotor faults are analysed and fault symptoms are described. Next the main stages of the design methodology of the RBF-based neural detectors are described. These networks are trained and tested using measurement data of the stator current (MCSA). The efficiency of developed RBF-NN detectors is evaluated. Furthermore, influence of neural networks complexity and parameters of the RBF activation function on the quality of data classification is shown. The presented neural detectors are tested with measurement data obtained in the laboratory setup containing the converter-fed induction motor (IM) and changeable rotors with a different degree of damages.
    Źródło:
    Bulletin of the Polish Academy of Sciences. Technical Sciences; 2014, 62, 1; 69-76
    0239-7528
    Pojawia się w:
    Bulletin of the Polish Academy of Sciences. Technical Sciences
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Sieci neuronowe typu MLP oraz RBF jako narzędzia klasyfikacyjne w analizie obrazu
    The neural network type the MLP and RBF as classifying tools in picture analysis
    Autorzy:
    Boniecki, P.
    Powiązania:
    https://bibliotekanauki.pl/articles/337163.pdf
    Data publikacji:
    2006
    Wydawca:
    Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
    Tematy:
    sieć neuronowa
    sieć neuronowa MLP
    sieć neuronowa RBF
    analiza obrazu
    identyfikacja neuronowa
    model neuronowy
    neural network
    MLP neural network
    RBF neural network
    picture analysis
    neuronal identification
    neuronal model
    Opis:
    Neuronowa identyfikacja danych obrazowych, ze szczególnym naciskiem na analizę ilościową oraz jakościową, coraz częściej wykorzystywana jest do pozyskiwania oraz zgłębiania wiedzy zawartej w danych empirycznych. Ekstrakcja, a następnie klasyfikacja wybranych cech obrazu, pozawala na wytworzenie informatycznych narzędzi do identyfikacji wybranych obiektów, prezentowanych np. w postaci obrazu cyfrowego. W związku z tym, celowym wydaje się być poszukiwanie nowoczesnych metod wspomagających proces edukacyjny w zakresie konstrukcji oraz eksploatacji modeli neuronowych w kontekście ich wykorzystania w procesie analizy obrazu. Dodatkowym celem pracy było porównanie jakości sieci MLP oraz RBF mające na względzie wskazanie optymalnego instrumentu klasyfikacyjnego.
    The neuronal identification of pictorial data, with special emphasis on both quantitative & qualitative analysis, is more frequently utilized to gain & deepen the empirical data knowledge. Extraction & then classification of selected picture features, enables one to create computer tools in order to identify these objects presented as, for example, digital pictures. In relationship from this, it seems to be purposeful the search of the modern methods helping educational process in the range of construction as well as exploitation of neuronal models in context of their utilization in picture analysis process. The additional aim of the work was the comparison of neural network of the type MLP and RBF for indication of the optimum classification tool.
    Źródło:
    Journal of Research and Applications in Agricultural Engineering; 2006, 51, 4; 34-39
    1642-686X
    2719-423X
    Pojawia się w:
    Journal of Research and Applications in Agricultural Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Some improvements in the reinforcement learning of a mobile robot
    Uczenie ze wzmocnieniem robotów mobilnych - propozycje usprawnień
    Autorzy:
    Pluciński, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/153411.pdf
    Data publikacji:
    2010
    Wydawca:
    Stowarzyszenie Inżynierów i Techników Mechaników Polskich
    Tematy:
    uczenie ze wzmocnieniem
    sieci neuronowe RBF
    roboty mobilne
    reinforcement learning
    probabilistic RBF neural network
    mobile robot
    Opis:
    The paper presents application of the reinforcement learning to autonomous mobile robot moving learning in an unknown, stationary environment. The robot movement policy was represented by a probabilistic RBF neural network. As the learning process was very slow or even impossible for complicated environments, there are presented some improvements, which were found out to be very effective in most cases.
    W artykule zaprezentowane jest zastosowanie uczenia ze wzmocnieniem w poszukiwaniu strategii ruchu autonomicznego robota mobilnego w nieznanym, stacjonarnym środowisku. Zadaniem robota jest dotarcie do zadanego i znanego mu punktu docelowego jak najkrótszą drogą i bez kolizji z przeszkodami. Stan robota określa jego położenie w stałym (związanym ze środowiskiem) układzie współrzędnych, natomiast akcja wyznaczana jest jako zadany kierunek ruchu. Strategia robota zdefiniowana jest pośrednio za pomocą funkcji wartości, którą reprezentuje sztuczna sieć neuronowa typu RBF. Sieci tego typu są łatwe w uczeniu, a dodatkowo ich parametry umożliwiają wygodną interpretację realizowanego odwzorowania. Ponieważ w ogólnym przypadku uczenie robota jest bardzo trudne, a w skomplikowanych środowiskach praktycznie niemożliwe, stąd w artykule zaprezentowanych jest kilka propozycji jego usprawnienia. Opisane są eksperymenty: z wykorzystaniem ujemnych wzmocnień generowanych przez przeszkody, z zastosowaniem heurystycznych sposobów podpowiadania robotowi właściwych zachowań w "trudnych" sytuacjach oraz z wykorzystaniem uczenia stopniowego. Badania wykazały, że najlepsze efekty uczenia dało połączenie dwóch ostatnich technik.
    Źródło:
    Pomiary Automatyka Kontrola; 2010, R. 56, nr 12, 12; 1470-1473
    0032-4140
    Pojawia się w:
    Pomiary Automatyka Kontrola
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Wykorzystanie sztucznych sieci neuronowych typu RBF do predykcji plonu wybranych roślin zbożowych
    The use of artificial neuronal networks of the RBF type for prediction of yield of chosen cereal plants
    Autorzy:
    Boniecki, P.
    Powiązania:
    https://bibliotekanauki.pl/articles/335789.pdf
    Data publikacji:
    2005
    Wydawca:
    Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
    Tematy:
    sztuczna sieć neuronowa
    RBF
    predykcja
    plon
    zboże
    symulacja komputerowa
    artificial neural network
    prediction
    yield
    cereal plant
    computer simulation
    Opis:
    Pojawiające się ostatnio metody, mające cechy sztucznej inteligencji, pozwalają na budowę modeli symulacyjnych, które realizują postawione zadania w oparciu o wzorce zaczerpnięte bezpośrednio z obserwacji przyrody [1]. Szczególną grupę stanowią techniki przetwarzania oparte na sztucznych sieciach neuronowych, będące w istocie komputerowymi symulatorami pracy mózgu [3]. Za pomocą modeli neuronowych można m.in. dokonać predykcji wielkości plonów płodów rolnych w oparciu o posiadane empiryczne dane, dotyczące zbiorów w latach ubiegłych. W pracy proponuje się wykorzystanie technik predykcyjnych, jakie m.in. reprezentują wybrane topologie sieci neuronowych, w szczególności sieci neuronowe typu RBF (Radial Basis Functions).
    Appearing recently methods, having guilds of artificial intelligence, permit on building of simulating models which realize assigned tasks on the basis of patterns taken directly with nature observation [1]. The processing techniques based on artificial neural networks create a special group, being in fact a computer simulators of brain work [3]. With the help of neuronal models it is possible to predict the expected crops yield on the basis of empirical data regarding crop yields in last summers. This work proposes utilization of prediction methods, which represent chosen topologies of neuronal nets among others, the RBF (Radial Basis Functions) neural network peculiarly.
    Źródło:
    Journal of Research and Applications in Agricultural Engineering; 2005, 50, 2; 15-19
    1642-686X
    2719-423X
    Pojawia się w:
    Journal of Research and Applications in Agricultural Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-15 z 15

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies